陳長勝 劉梅 沈書生 徐振國

【摘要】? ??? 慕課學習者的學習效率提升是保證學習成功率的關鍵，但以往研究對慕課學習完成者的學習效率和群體差異性還缺乏有效考察。文章以1，388名慕課學習完成者為研究對象，通過構建9個學習投入指標和3個學習產(chǎn)出指標，運用Kmeans聚類算法確立了學習者集群，選用數(shù)據(jù)包絡分析法（Data Envelopment Analysis），并以輸出導向的CCR模型、BCC模型和超效率模型測算了學習者的學習效率及群體差異性。研究結(jié)果表明：完成慕課的學習者可以分為勤奮收獲者和打卡體驗者;慕課學習完成者也普遍存在學習效率不佳的問題;兩類學習者在學習效率和學習投入貢獻率上均存在組間差異，論壇回帖頻次對學習者的學習效率的貢獻率最大。文章提出了改進慕課學習者學習效率的策略建議，以期激發(fā)慕課的潛在價值，提升慕課學習者的學習效率。

【關鍵詞】? 慕課;學習者;學習效率;數(shù)據(jù)包絡分析法;學習體驗;在線學習;學習行為分析;學習投入;學習產(chǎn)出

【中圖分類號】? ?G434? ? ? ? ?【文獻標識碼】? A? ? ? ?【文章編號】? 1009-458x（2021）10-0039-10

一、引言

如何讓慕課學習者獲得預期成果和良好的學習體驗是終身教育必須面對的問題。然而，慕課所形成的高度開放自主的在線環(huán)境，極易在學習者中引發(fā)缺乏時間認知、交互行為滯后等學習危機（王改花， 等， 2019），對他們的時間管理和努力調(diào)節(jié)成為新的挑戰(zhàn)（如認知迷航、認知超載、動機不足等），影響其在線學習效率的保持（de Barba， Malekian， Olivei ra， Bailey， Ryan， & Kennedy， 2020）。學習效率是學習過程實現(xiàn)的結(jié)果與獲得這種結(jié)果的過程中學生所付出的時間和精力之間的對比關系，即產(chǎn)出與投入之間的對比關系（陳佑清， 2012）。已有研究表明，提高學習效率對強化學習者學習體驗、發(fā)揮課堂潛在價值具有重要作用（Kolb， 2014）。高效的學習不僅能激發(fā)學習者個人的學習動機，強化其特定的學習風格和持續(xù)的參與行為（Eisenberger， Pierce， & Cameron， 1999），還能夠為非成功者（如輟學者、低效者）提供可參考的學習經(jīng)驗和行為信息（Ramesh， Goldwasser， Huang， Daume， & Getoor， 2014; de Barba， Malekian， Olivei-ra， Bailey， Ryan， & Kennedy， 2020）。因此，學習效率分析可以激發(fā)在線課程的潛在價值，從而幫助學習者在學習過程中做出更好的決策（楊現(xiàn)民， 等， 2016）。

基于以上分析，本研究擬采用聚類和數(shù)據(jù)包絡分析法（Data Envelopment Analysis，DEA）對慕課學習完成者的學習效率及其群體差異性進行探索，為激發(fā)慕課的潛在價值，提升學習者尤其是低效率學習者的學習效率提供參考。

二、文獻綜述

國內(nèi)學者主要聚焦在線學習視域下學習效率的特征描述與教學應用。以在線學習效率的特征為視角，何善亮（2010）認為學習效率是增進學習結(jié)果和強化學習體驗的基礎。盧紫荊等（2019）以英國開放大學的學生為研究對象，分析了有效學習者和非有效學習者的分布與特征。以在線學習效率的影響因素為視角，鮑平平（2007）通過CCR模型測算成人學生的在線學習效率，發(fā)現(xiàn)學習動機、學習策略是影響網(wǎng)絡學習效率的關鍵因素。楊等（Yang， et al.， 2019）采用關聯(lián)規(guī)則方法研究情緒對學習效率的影響，發(fā)現(xiàn)積極的情緒更能促進學習效率提升。以在線學習效率的教學應用為視角，姚純貞等（2009）對英語課程開展實驗研究，發(fā)現(xiàn)對學生網(wǎng)絡學習行為的優(yōu)化能促進學生對認知策略和社交策略的積極使用，從而提高他們的自主學習能力和學習效率。

國外學者拓寬了在線學習效率研究的視域，更多關注不同學習模式下學習者的學習效率差異性，以及對學習效率影響因素的探討。以在線學習效率的群體差異為視角，有研究者（Singh， et al.， 2012）探究了在線學生與線下學生的學習效率的差異，發(fā)現(xiàn)在線學生的課程得分、學習水平和滿意度等學習產(chǎn)出顯著高于線下學生。加爾布雷斯等（Galbraith， et al.， 2014）研究美國在職學生的職業(yè)倦怠與在線學習效率的關系，發(fā)現(xiàn)職業(yè)倦怠在一定程度上會降低在職人員的學習效率。斯米爾利斯等（Smirlis， et al.， 2019）基于貝茨（Bates）的ACTIONS模型和DEA方法，分析了混合式學習設計對學生學習效率的潛在影響，認為學習效率是一種教學設計的總體預期表現(xiàn)。以在線學習效率的影響因素為視角，約翰（John， et al.， 2016）認為在線學習效率很大程度上取決于課程內(nèi)容的相關性和學習者的參與度，提出通過構建開放的社會學習系統(tǒng)實現(xiàn)學習者特征與學習內(nèi)容匹配，促進學習者的互動和參與。克澤齊等（Kizilcec， et al.， 2017）的研究發(fā)現(xiàn)動機調(diào)節(jié)對在線學習效率具有重要價值，學生自主學習策略能夠預測他們的學習行為和學習目標。

國內(nèi)外學者的研究為理解學習者的在線學習狀態(tài)和體驗提供了理論參考。然而，既有研究多關注慕課參與者的行為表現(xiàn)和學習效率，且大多是針對學習者個體的描述和分析，缺少關于慕課學習完成者及其群體差異性的系統(tǒng)分析，致使高效學習者的學習經(jīng)驗無法有效提煉和示范應用，影響了以在線學習效率為視角評價學習質(zhì)量和課程價值的效度?？梢?，研究慕課學習完成者的學習效率及其群體差異性，對深入理解完成者學習行為與動機、重構在線學習環(huán)境和提升在線學習體驗具有重要的應用價值。

三、研究設計

（一）研究問題

本研究旨在歸納慕課學習完成者的群體特征，以此測算并評價他們的學習效率，挖掘不同學習者群體的學習效率差異性。基于此，本文提出以下3個研究問題：

1. 慕課學習完成者的學習表現(xiàn)和學習結(jié)果具有怎樣的群體特征？

2. 慕課學習完成者的學習效率具有怎樣的特征和分布？

3. 慕課學習完成者的不同群體在學習效率及其貢獻率上具有怎樣的差異性？

（二）研究對象與數(shù)據(jù)來源

本文研究對象是選修中國大學MOOC“信息化領導力”的學習者。之所以選擇該課程，主要基于以下考慮：一是該課程的授課對象為學校管理者和教學人員，屬于在職人員，以之為研究對象有利于為終身學習者提供有價值的結(jié)論;二是該課程的學習模塊完善、數(shù)據(jù)字段豐富、行為數(shù)據(jù)全面。截至2017年11月，該課程的注冊總?cè)藬?shù)為32，244，其中1，388人完成課程考核。為了獲得更具推廣價值的研究結(jié)論，本文選擇完成課程并獲得成績的1，388名學習者為分析對象，以期通過對他們的學習效率進行測算和群組分析，為非成功者（如輟學者、低效者）提供可參考的學習經(jīng)驗和行為信息，為課程開發(fā)和學習服務提供參考。數(shù)據(jù)采集時間為2016年4月7日至2017年11月7日，研究數(shù)據(jù)主要是平臺記錄的學習者點擊流日志記錄和成績表，包括注冊數(shù)據(jù)表、行為日志表、成績匯總表等3個數(shù)據(jù)表格，行為記錄563，795條，人均406.2條。從性別結(jié)構來看，男性631人（45.5%），女性504人（36.3%），性別項缺失253人（18.2%）。從年齡結(jié)構來看，27人為18歲至24歲（1.9%），793人為25歲及以上（57.1%），568人年齡項缺失（40.9%）。從成績分布來看，不及格748人（53.9%），及格與良好310人（22.3%），優(yōu)秀330人（23.8%）。

（三）研究方法

首先，使用Kmeans聚類算法挖掘?qū)W習者的不同行為模式，并統(tǒng)計各群體的行為特征及組間效應量，以此回答研究問題1。然后，使用DEA方法測算學習者的整體學習效率及其差異，以此回答研究問題2和3。

DEA方法是1978年由美國著名運籌學家沙爾內(nèi)（Charnes）和庫珀（Cooper）提出，該方法的典型模型包括CCR模型和BCC模型（成剛， 2014）。由CCR模型計算得出的效率稱為綜合效率，若綜合效率值為1，則稱決策單元DEA有效;若綜合效率值小于1，則稱決策單元非DEA有效。而BCC模型排除了規(guī)模的影響，由此計算得出的效率值稱為純技術效率。針對DEA有效的決策單元的效率高低無法區(qū)分的問題，有研究者提出了超效率模型。此外，由于DEA方法是一種相對效率的評價，因此存在投入導向和產(chǎn)出導向兩種類型（成剛， 2014）。

近年來，DEA方法被國內(nèi)外學者用來研究教育機構的效率評價問題。在此語境下，學生的學習過程被視為一種“投入產(chǎn)出”系統(tǒng)（Galbraith & Merrill， 2014）。以慕課學習為例，一門慕課的所有學習者為一個同質(zhì)組，每一名學習者可以視為一個決策單元;學習者的學習效率受到學習者個人屬性、學習技術和努力調(diào)節(jié)等因素影響。技術效率主要源于學習者對學習技術的掌握和運用，包括學習策略、學習方法和時間管理技能等（Kizilcec， Pérez-Sanagustín， & Maldonado， 2017）。規(guī)模效率主要源于學習者的努力程度，包括在線學習的參與度和堅持性（John， Thavavel， Jayaraj， Muthukumar， & Jeevanandam， 2016）。本研究將利用產(chǎn)出導向的CCR模型、BBC模型和超效率模型，測算慕課學習完成者的綜合效率、純技術效率、規(guī)模效率、規(guī)模效率變化趨勢及超效率值等。將DEA模型的輸出指標意義映射到在線學習情境下，本文約定：若綜合效率為1，則稱學習效率有效;若綜合效率小于1，則稱學習效率非有效。規(guī)模效率不變（Constant）的學習者，按比例增加投入會保持效率值不變，其投入增加比例即超效率評價值;規(guī)模效率遞增（Increasing）的學習者，適當增加投入能得到相對較高比例的產(chǎn)出效益增量;規(guī)模效率遞減（Decreasing）的學習者，投入的增加只能得到相對較小的產(chǎn)出效益增量。若學習效率非有效且純技術效率為1，則學習投入產(chǎn)出效率已經(jīng)達到最佳，但努力程度不夠;若學習效率非有效且純技術效率不為1，則學習投入產(chǎn)出效率較差，并且努力程度也不夠。

（四）研究過程

首先，采用系統(tǒng)點擊流編碼規(guī)則對研究數(shù)據(jù)進行編碼，并進行編碼有效性檢查。有研究認為，視頻講座、論壇和評估是慕課的基礎學習資源，分析學習者在這些組件中的活動能集中反映他們在學習過程中的行為（Kahan， Soffer， & Nachmias， 2017）。因此，本文選取學習者瀏覽微視頻和課件的頻次、參與測驗和論壇的頻次、論壇發(fā)帖頻次5個變量，以及瀏覽微視頻和課件的時長、參與測驗和論壇的時長、論壇參與時長4個變量，作為在線學習的投入變量。鑒于本課程考核由課程討論（30%）、單元測試（20%）和單元作業(yè)（50%）三個部分構成，因此選取過程考核分數(shù)、期末分數(shù)和論壇被贊次數(shù)3個變量作為產(chǎn)出變量，研究變量的編碼方案如表1所示。然后，在數(shù)據(jù)預處理的基礎上，采用Kmeans聚類算法對學習者的行為特征進行聚類分析，并結(jié)合分析結(jié)果定義慕課學習者的類型，闡述不同類型學習者的特征差異。最后，采用DEA方法中的CCR模型、BCC模型和超效率模型對學習者的學習效率進行系統(tǒng)測算，并在此基礎上，研究不同學習者群體在學習效率及其貢獻率上的差異性，提出改進策略。

四、研究結(jié)果與分析

（一）慕課學習完成者的聚類分析

本研究使用R語言及其開發(fā)環(huán)境RStudio運行聚類算法，結(jié)果表明樣本特征的最佳聚類數(shù)目為2，算法的輪廓系數(shù)為0.32，說明聚類效果較好（根據(jù)：Kaufman & Rousseeuw， 2009），因此可以將慕課學習者分為兩類。為評估行為投入和產(chǎn)出的組間差異，根據(jù)聚類變量的類型進行描述性統(tǒng)計和單因素方差分析，結(jié)果如表2所示。

兩組學習者之間在各變量上均存在0.01水平上的顯著差異，并且除參與論壇次數(shù)（0.04）和參與論壇的時長（0.03）具有小的效應量外，其他變量具有中等的效應量（0.07～0.51），說明聚類變量能夠很好地解釋兩類學習者的顯著差異。從學習行為投入來看，第一類學習者的各項投入指標均值都高于第二類學習者，并且前后兩組在投入指標上的均值比達到2.3～6.3。例如，參與論壇頻次為5.1，說明第一類學習者的整體參與度和堅持性更好。從學習產(chǎn)出來看，兩組學習者在各產(chǎn)出指標的均值比達到了2.2～5.4。例如，論壇被贊頻次是5.4，說明第一類學習者的學習收獲更多。繼續(xù)考察兩類學習者的人口變量差異，發(fā)現(xiàn)兩類學習者在性別和年齡結(jié)構上不存在差異。綜合以上分析，本文將第一類學習者定義為勤奮收獲者，將第二類學習者定義為打卡體驗者。

（二）慕課學習完成者的學習效率分析

1. 測算指標構建

由于本研究中學習者的學習環(huán)境、學習投入方式和學習產(chǎn)出類型基本相同，符合DEA決策單元必須同質(zhì)性的要求，因此將每個學習者視為一個決策單元。本文以前文表1所示編碼方案來構建慕課學習完成者的學習效率測算指標體系。在此基礎上，對數(shù)據(jù)進行預處理，以符合DEA方法的約束條件，包括：對課程數(shù)據(jù)進行篩選，刪除輸入或輸出全部為零的指標;通過皮爾遜相關分析檢驗輸入和輸出指標的關聯(lián)程度。分析發(fā)現(xiàn)：不存在輸入或輸出全部為零的指標，投入和產(chǎn)出指標存在正向相關（r值介于0.06至0.98之間），因而無須刪除樣本;被決策單元數(shù)量不少于投入和產(chǎn)出指標數(shù)量的乘積，并且決策單元數(shù)量不少于投入和產(chǎn)出指標數(shù)量的3倍。由此可見，本文構建的指標體系和數(shù)據(jù)特征均符合DEA方法的要求，可以進行慕課學習完成者的學習效率分析。

2. 測算結(jié)果解釋

（1）學習效率分析

本研究利用DEA方法的產(chǎn)出導向的CCR模型、BBC模型和超效率模型，通過MaxDEA軟件運算得到1，388名學習者的綜合效率、純技術效率、規(guī)模效率、規(guī)模效率變化趨勢和超效率值等。部分慕課學習者學習效率如表3所示。綜合效率為1的學習者133人，占總數(shù)的9.58%;綜合效率低于1的學習者1，255人，占90.42%。這說明僅有少量的慕課學習完成者的學習效率達到了有效，這些學習者的學習產(chǎn)出增加的比率等于學習投入增加的比率，但大多數(shù)慕課學習完成者的學習效率未達到有效，還有很大提升空間。繼續(xù)對133名學習效率有效的學習者進行超效率分析，可以發(fā)現(xiàn)他們的規(guī)模效率變化趨勢和再排序。如表3所示，學習者DMU1273的綜合效率為1，規(guī)模效率不變，超效率值為1.592，排序為2，表示該學習者即使學習投入再增加59.2%，仍然可以在所有學生中保持相對有效。整體來看，該部分學習者的超效率值的平均值為1.077，標準差為0.148，說明學習效率高的學習者在超效率值上波動性較小，該部分學習者若繼續(xù)增加學習投入，仍然能夠保持理想的學習效率。

進一步分析學習效率非有效的學習者的純技術效率和規(guī)模效率趨勢。在學習效率非有效的1，255人中，純技術效率有效（純技術效率=1）218人，占比17.37%，這些學習者的投入產(chǎn)出效率已經(jīng)達到最佳，但規(guī)模效率并非最大，說明學習者的學習技術的掌握和應用很有效，但仍需要加強努力程度。既非純技術效率有效也非規(guī)模效率有效的學習者共1，037人，占比82.63%，這些學習者的投入產(chǎn)出效率較差，并且規(guī)模效率也較小，說明他們需要進一步掌握并有效應用學習技術，同時加強努力程度。此外，從超效率模型測算結(jié)果來看，在學習效率非有效的1，255名學習者中，規(guī)模效率遞增（Increasing）的學習者207人，占比16.49%;規(guī)模效率遞減（Decreasing）的學習者933人，占比83.51%。

（2）學習效率非有效的學習者的目標改進

為定量評價學習效率非有效的學習者的改進空間，可以根據(jù)DEA方法的投影定理，得到從非有效狀態(tài)轉(zhuǎn)為有效狀態(tài)的松弛改進值（目標值-實際值）。在內(nèi)涵和表示方法上，投入和產(chǎn)出指標的松弛改進值有所不同，投入指標的改進值表示在保持現(xiàn)有產(chǎn)出的情況下應減少的投入值，用負號表示，即保持原有學習結(jié)果的情況下，將非有效學習者的學習投入消減到目標值后，學習者的學習效率將變?yōu)橛行?。如?所示，DMU116學習者在論壇參與頻次、微視頻和課件瀏覽頻次、論壇和測驗參與時長等學習投入指標上存在過剩的現(xiàn)象（目標值<原始值），但測驗參與頻次、微視頻和課件瀏覽時長、論壇回帖頻次等學習投入指標相對較好（目標值=原始值）。產(chǎn)出指標的改進值表示在保持現(xiàn)有投入不變的情況下應增加的產(chǎn)出值，用正號表示，即在保持原有學習投入的情況下，將非有效學習者的學習結(jié)果增加到目標值后，學習者的學習效率將變?yōu)橛行?。如?所示，DMU116學習者的過程考核成績、期末成績和論壇被贊頻次等學習結(jié)果存在不足（目標值>原始值），說明還存在一定程度的提升空間。

（三）慕課學習完成者學習效率的組間差異分析

1. 學習效率的組間差異分析

學習效率的組間差異能夠反映不同學習者群體面臨的學習問題。為此，進一步對兩組學習者的學習效率進行對比分析，以期為不同學習者群體精準施策提供參考依據(jù)。獨立樣本t檢驗結(jié)果顯示，兩組學習者（G1：勤奮收獲者;G2：打卡體驗者）在綜合效率上存在統(tǒng)計學上的顯著差異（t=9.245，p=0），并且勤奮收獲者的效率均值（M=0.76，SD=0.426）高于打卡體驗者（M=0.53，SD=0.499）;兩組學習者在純技術效率上也存在統(tǒng)計學上的顯著差異（t=12.394，p=0），并且勤奮收獲者的效率均值（M=0.886，SD=0.165）高于打卡體驗者（M=0.734，SD=0.286）。兩類學習者的綜合學習效率比例分布如圖1（上）所示，在勤奮收獲者中，學習效率有效的占比7.8%，非有效的比例為92.2%;在打卡體驗者中，學習效率有效的比例為10.9%，非有效的比例為89.1%。兩類學習者在綜合效率和純技術效率的比例分布呈現(xiàn)以下特征：綜合效率值低于0.1和介于0.6～0.9區(qū)間時，勤奮收獲者所占比例高于打卡體驗者;綜合效率值介于0.2～0.5區(qū)間時，勤奮收獲者所占比例低于打卡體驗者。兩類學習者的純技術效率比例分布也呈現(xiàn)出類似的差異性，如圖1（下）所示。以上說明，高行為投入、高學習產(chǎn)出的學習者在學習效率上并不都是最佳，也就是說即使一個學習者的學習結(jié)果較好，他也可能是一個低效的學習者。相反，低行為投入、低結(jié)果產(chǎn)出的學習者在學習效率上并不都是很差，他也可能是一個高效的學習者。以上發(fā)現(xiàn)可以為激發(fā)慕課學習者的學習潛力、有的放矢地實施個性化指導提供參考依據(jù)。

2. 學習效率非有效學習者的組間差異分析

為挖掘?qū)W習效率非有效學習者的發(fā)展?jié)摿?，本文嘗試從學習效率有效的學習者的學習技術應用以及努力調(diào)節(jié)經(jīng)驗中獲得啟發(fā)，進一步對兩類學習者中學習效率非有效的學習者對比分析。獨立樣本t檢驗結(jié)果顯示，學習效率非有效的學習者之間存在顯著的組間差異（t=20.392，p=0<0.01），并且勤奮收獲者的效率均值（M=0.869，SD=0.17）高于打卡體驗者（M=0.592，SD=0.259）。但在所有學習效率非有效的學習者中，打卡體驗者的純技術效率有效比例為27%，遠遠高于勤奮收獲者4.9%。這說明在打卡體驗者中有大量學習者的學習技術應用是非常有效的，只是他們努力不足因而無法實現(xiàn)綜合效率有效，當他們達到一定的努力程度后就有望實現(xiàn)綜合效率有效。

此外，兩組學習者中既非純技術效率有效也非規(guī)模效率有效的人數(shù)眾多，這些學習者的學習效率很差，并且規(guī)模效率也較小，這可能與他們的學習技術掌握和應用不當、努力程度較差均有關。即便如此，從規(guī)模效率變化趨勢看，這些學習者的學習效率仍然存在改進空間。對兩組中此類學習者的規(guī)模效率進行卡方檢驗結(jié)果顯示，χ2=93.886，p=0<0.01，表明規(guī)模效率與分組顯著相關，結(jié)果如表5所示。其中，有0.6%的勤奮收獲者和5.4%的打卡體驗者呈現(xiàn)規(guī)模效率遞增，說明這些學習者存在較好的發(fā)展?jié)摿Γm當增加學習投入量能夠得到相對較高比例的學習結(jié)果增量。但是，還有96.3%的勤奮收獲者和75.4%的打卡體驗者呈現(xiàn)規(guī)模效率遞減，說明這些學習者存在一定的學習困難，他們學習投入的增加只能得到相對較小的學習結(jié)果增量，教師需要重點關注該群體。概而論之，上述學習者都需要從掌握和應用學習技術、增加學習參與度和堅持性上下功夫。

3. 學習投入貢獻率的組間差異分析

為探究各項學習投入對學習效率的重要程度，以此判斷學習者對課程資源和學習任務的偏好，進一步分析投入指標權重的組間差異。對學習投入的指標權重進行獨立樣本t檢驗，結(jié)果表明，除參與測驗時長和瀏覽微視頻的頻次2項指標權重不存在組間差異外（t=0.204，p=0.838;t=-1.652，p=0.099），參與論壇頻次（t=-2.605，p=0.009）、參與測驗頻次（t=-4.5，p=0）、參與論壇時長（t=-5.031，p=0）、瀏覽課件頻次（t=-4.632，p=0）、瀏覽微視頻時長（t=-12.895，p=0）、瀏覽課件時長（t=-14.388，p=0）和論壇回帖頻次（t=-19.287，p=0）7項指標權重存在顯著的組間差異。投入變量的權重曲線如圖2（上）所示，除了參與測驗時長外，打卡體驗者的其他各項指標權重均顯著高于勤奮收獲者，并且論壇回帖頻次在兩組指標的權重最大。這說明，勤奮收獲者更加傾向于通過參與測驗的時間投入（如深入思考題目、重復提交等）來提升自身的學習效率;相比勤奮收獲者，慕課中的各類課程資源和學習任務對打卡體驗者學習效率的價值更加突出，綜合該類學習者普遍較低的行為頻次和時長，這似乎驗證了他們傾向于“體驗”慕課的偏好。

五、研究結(jié)論與建議

（一）研究結(jié)論

本研究獲得的主要結(jié)論如下：

1. 勤奮收獲者與打卡體驗者的行為模式具有明顯差異

在行為模式方面，有學者（de Barba， et al.， 2020）的研究證實，成功的學習者在整個課程中會更頻繁、花更長時間學習課程。與該結(jié)論相對應的是，本研究的勤奮收獲者在課程各項資源和任務上的表現(xiàn)都很突出，他們行為的頻次和累積時長的學習投入都高于打卡體驗者，可以認為他們的學習積極性比較高、愿意持續(xù)努力的學習課程，具有“學有所成”的傾向。這與哈利勒等（Khalil， et al.， 2016）提出的優(yōu)秀者也比較相似。與之相比，打卡體驗者在課程各項資源和任務上的學習投入明顯不足，他們行為的頻次和累積時長都比較低，可以認為他們的學習積極性不高，不愿意持續(xù)努力地學習課程，具有“嘗試體驗”傾向。這與波爾胡伯等（Poellhuber， et al.， 2019）提出的閱讀者類似，即他們會瀏覽較多的課程材料，但每次行為的停留時間有限。

2. 大多數(shù)慕課學習完成者的學習效率尚未達到最佳

本研究發(fā)現(xiàn)，90.42%的慕課學習完成者的學習效率未達到有效，學習投入增加比例不等于學習產(chǎn)出的比例。這一結(jié)論與加爾布雷斯等（Galbraith， et al.， 2014）對在職學習者學習效率的研究基本吻合。這說明即使學習者完成了課程學習并獲得了最終成績，他們的學習效率也不都是理想的，這其中隱藏的潛在問題可能會抑制學習者的能力發(fā)展和學習情緒，需要給予關注。從超效率規(guī)模來看，學習效率有效的學習者的超效率值波動較小，這與富恩特斯等（Fuentes， et al.， 2016）對西班牙大學生研究的結(jié)論不一致。這可能跟學習者的文化差異和職業(yè)狀態(tài)有關，諸如此類的結(jié)論已經(jīng)得到證實（Tsai & Huang， 2011）。學習效率非有效的學習者中處于規(guī)模效率遞減的比例較大（83.51%）。這種情況可能跟學習者動機不足和低臨場感有關，慕課構建的自由靈活、半監(jiān)督的學習環(huán)境，容易導致缺乏師生承諾和對學習自由不正確的理解（Kolari， Savander-Ranne， & Viskari， 2008），進而出現(xiàn)認知迷航、動機不足等問題行為，使得他們的學習效率暫時處于非有效狀態(tài)。

3. 勤奮收獲者和打卡體驗者在學習效率及投入貢獻率上存在明顯差異

本研究發(fā)現(xiàn)勤奮收獲者在學習效率上并不都是最佳的，打卡體驗者的學習者在學習效率上并不都是很差的，學習勤奮和高學習效率之間并不是對等關系。這很可能跟學習者的努力倦怠、社會關系特征和人口特征差異有關（Galbraith & Merrill， 2014），不過，本文的研究再次證實時間管理和努力調(diào)節(jié)是高效學習的關鍵要素。通過對學習效率非有效的學習者的對比分析，發(fā)現(xiàn)打卡體驗者的純技術效率有效比例為27%，顯著高于勤奮收獲者。這與南等（Non， et al.， 2016）的研究結(jié)論相一致，即缺乏耐心、努力不足的學習者往往成績較差。這可能跟打卡體驗者的學習技術應用非常有效而努力不足有關，他們不按照課程計劃學習或者學習參與度低，因此可能影響其最終的學習結(jié)果。

從學習投入權重來看，論壇回帖頻次在兩類學習者行為投入中所占的權重最高，并且顯著高于其他投入指標，這說明在論壇中積極回帖和參與討論能夠提高慕課學習的效率。這一結(jié)論與沃森等（Watson， et al.， 2017）對慕課中態(tài)度學習的觀點相一致，即慕課的交互情境所構建的社會存在和教學存在能夠促進學習者的目標實現(xiàn)。庫克等（Cook， et al.， 2010）的研究也表明，提高反饋和互動性的教學策略通常會延長學習時間，并且也會提高學習效果。本研究還發(fā)現(xiàn)學習者瀏覽微視頻和課件所占權重不高，這可能跟課件設計（劉智， 等， 2017）和講解難度（高瑜珊， 等， 2017）不能適應教學培養(yǎng)機制或者不能激發(fā)學習者的學習興趣有關。

（二）建議

1. 提高慕課學習者的學情監(jiān)控能力

正如人類行為存在冪律分布現(xiàn)象一樣（樊超， 等， 2011），慕課學習者的認知行為往往是非結(jié)構式存在的，認知序列模式往往是“漸進式”和“突發(fā)性”并存（劉智， 等， 2019）。為了使教師掌握學習者個體及群體的行為模式，加強學習者學情監(jiān)控并深入理解學習動態(tài)成為未來學習分析研究的趨勢（Ramesh， Goldwasser， Huang， Daumé， & Getoor， 2013）。對學習者來說，學情信息能夠幫助他們了解自己和同伴的學習表現(xiàn)和潛在問題，并以此調(diào)整個人學習進度和時間分配;對教師來說，探索學習者個體和群體的學習效率及其概率分布，能夠及時甄別影響學習者學習體驗的要素，便于提供個性化的教學策略和學習支持。已有研究表明，學習者及時查看課程進度和評價結(jié)果的行為，可以促進學習者調(diào)整學習步調(diào)。因此，建議在教學中引入“學習儀表盤”和“進展視圖”等學情可視化工具，讓學習者能夠清晰了解自身學習進度和學習結(jié)果，并且能夠從同伴的學習表現(xiàn)中獲得“外部激勵”。例如，根據(jù)同伴的學習路徑和學習日程表調(diào)整優(yōu)化個人的學習節(jié)奏（王麗萍， 等， 2015; 王改花， 等， 2019）。

2. 增強慕課學習者時間管理技能和努力調(diào)節(jié)能力

慕課構建了高度開放自主的在線學習環(huán)境，實現(xiàn)自主學習需要學習者掌握一定的時間管理技能和努力調(diào)節(jié)能力（Broadbent， 2017）。良好的時間管理技能能夠讓學習者擁有合理的學習節(jié)奏，減少認知迷航等失調(diào)行為和負面情緒，將有限的精力投入到最具價值的學習資源和任務上。然而，由于學習慣性和網(wǎng)絡經(jīng)驗的個體差異，學習者形成這種能力需要一個過程。有研究表明，教師引導、智能化導學或激勵機制可以幫助學習者培養(yǎng)自我監(jiān)控技能（Cho & Heron， 2015）。因此，教師可以在課前通過相關量表收集學習者時間管理風格的數(shù)據(jù)，對學習者的時間管理技能進行分析和歸類，在此基礎上借助平臺設計課程章節(jié)、課程資源的參考學習時間。當學習者出現(xiàn)拖延行為和“突發(fā)性”行為后及時提醒，引導其合理分配學習時間;當學習者對某個資源或任務的學習時間超過設定閾值時，通過激發(fā)情境敏感的學習資源與學習路徑推薦引擎，以有效降低學習者在線學習的時間成本，并且?guī)椭涮岣邔W習效率、增強學習興趣、優(yōu)化學習效果（吳笛， 等， 2017）。此外，建議平臺增強個性化自適應學習支持，通過學習者自我反思和系統(tǒng)引導，促進其學習決策的科學性，從而促進知識意義的主動建構和高效學習。

3. 以獎勵機制激發(fā)慕課學習者的學習動機

獎勵策略可以作為激勵學生進步和目標完成的要素，鼓勵他們跟蹤自己的學習過程和結(jié)果表現(xiàn)（Hamari， 2017）。當前，慕課已經(jīng)形成了直接獎勵和間接獎勵為基礎的獎勵機制。大多數(shù)慕課采用徽章和積分等直接獎勵對學習者的行為和結(jié)果進行強化，這為學習者感知個人進步、反思學習表現(xiàn)并以此調(diào)整自我學習節(jié)奏提供了有效信息。然而，有研究發(fā)現(xiàn)，延長作業(yè)提交的期限和優(yōu)先獲得教師的反饋等特權是學習者最看重的獎勵形式（ODonovan， Gain， & Marais， 2013）。這種獎勵具有間接性特征，其獎勵形式結(jié)合了學習活動本身，更能滿足學習者的學習需要。因此，建議教師在用好徽章、積分等直接獎勵之余，在教學設計中重視依據(jù)學習進度設置拓展性資源、重復提交次數(shù)、延長提交期限、優(yōu)先反饋權等間接性獎勵機制。此外，建議慕課平臺強化評價反饋機制，搭建功能完備的獎勵信息推送與可視化模塊。

4. 以論壇活動促進慕課學習者的高層次認知行為

研究發(fā)現(xiàn)，論壇話語行為能夠促進學習者思維表達和知識加工，高層次認知行為多出現(xiàn)在積極參與者的互動話語中，消極參與者往往缺乏高層次的認知交互（劉智， 等， 2019）。本研究的權重分析也得到了類似的結(jié)論，即論壇回帖頻次比其他學習投入對學習效率的貢獻度更大。因此，在慕課教學中團隊應重視輔導教師主持討論并及時答疑解惑，既要滿足打卡體驗者的需要，還要更多引入開放式問題討論，以問題為導向激發(fā)勤奮收獲者自主探討意識、反思性學習和高階思維能力。

六、結(jié)語

本研究為慕課學習輟學者和低效者提供了可參考的學習經(jīng)驗和行為信息。研究中還存在一些不足。其一，本文研究數(shù)據(jù)采集于中國大學MOOC平臺的一門課程，并且采集時間節(jié)點為2017年以前，在案例典型性和數(shù)據(jù)的新鮮程度上似有不足。但從外觀數(shù)據(jù)上看，2016年至2017年的數(shù)據(jù)研究結(jié)果與2018年后慕課學習完成者的學習效率外觀表象基本一致，說明研究結(jié)論同樣適用，在以后的研究中還可以對此進一步驗證。其二，本文提出的策略建議僅與課程團隊進行了溝通與確認，并沒有在慕課教學中實際使用，在后續(xù)研究中需要通過教學實踐進一步驗證。

[參考文獻]

鮑平平. 2007. DEA在網(wǎng)絡學習相對有效性評價中的應用[J]. 現(xiàn)代遠程教育研究（6）：65-68.

陳佑清. 2012. 論有效教學的分析模型[J]. 課程·教材·教法（11）：3-9.

成剛. 數(shù)據(jù)包絡分析方法與MAXDEA軟件[M]. 北京：知識產(chǎn)權出版社：2014.

樊超，郭進利，韓筱璞，等. 2011. 人類行為動力學研究綜述[J]. 復雜系統(tǒng)與復雜性科學（2）：5-21.

馮佳昕. 2014. 基于DEA的高校實驗教學中心建設績效評價[J]. 實驗技術與管理（10）：156-160.

高瑜珊，汪瓊. 2017. 教師教學能力提升類MOOC的探索與實踐[J]. 電化教育研究（10）：124-128.

何善亮. 2010. 論有效教學的實踐建構[J]. 課程·教材·教法（5）：22-28.

劉智，王亞妮，鄭年亨，等. 2017. 高校 SPOC 環(huán)境下學習者行為序列的差異性分析研究[J]. 中國電化教育（7）：88-94.

劉智，楊重陽，柴喚友，等. 2019. SPOC學習者認知行為及序列模式的差異性分析[J]. 開放教育研究（2）：44-52.

盧紫荊，劉紫荊，鄭勤華. 2019. 基于DEA的在線學習者學習效率評價[J]. 開放學習研究（2）：30-38.

王改花，傅鋼善. 2019. 網(wǎng)絡學習行為與成績的預測及學習干預模型的設計[J]. 中國遠程教育（2）：39-48.

王麗萍，趙蔚，魏久鴻，等. 2015. 開放性社會學習者模型的研究進展視圖[J]. 現(xiàn)代遠程教育研究（2）：104-112.

吳笛，李保強. 2017. 基于情境感知的學習資源關聯(lián)分析與推薦模型研究[J]. 中國遠程教育（2）：59-65，80.

楊現(xiàn)民，王懷波，李冀紅. 2016. 滯后序列分析法在學習行為分析中的應用[J]. 中國電化教育（2）：17-23

姚純貞，王紅成，趙惠. 2009. 網(wǎng)絡環(huán)境下學習行為優(yōu)化與學習效率——一項基于大學英語網(wǎng)絡教學的實證研究[J]. 教育研究與實驗（3）：68-70.

Broadbent， J. （2017）. Comparing online and blended learners self-regulated learning strategies and academic performance. The Internet and Higher Education，33： 24-32.

Cook， D. A.， Levinson， A. J.， Garside， S. （2010）. Time and learning efficiency in Internet-based learning： a systematic review and meta-analysis. Advances in Health Sciences Education，15（5）：755-770.

de Barba， P. G.， Malekian， D.， Oliveira， E. A.， et al. （2020）. The importance and meaning of session behaviour in a MOOC. Computers & Education， 146： 1-18.

Eisenberger， R.， Pierce， W. D.， Cameron， J. （1999）. Effects of reward on intrinsic motivation - Negative， neutral， and positive： Comment on Deci， Koestner， and Ryan . Psychological Bulletin，125（6）： 692-700.

Fuentes， R.， Fuster， B.， Lillo-Ba?uls， A. （2016）. A three-stage DEA model to evaluate learning-teaching technical efficiency： Key performance indicators and contextual variables. Expert Systems with Applications， 48： 89-99.

Galbraith， C. S.， Merrill， G. B. （2014）. Academic performance and burnout： an efficient frontier analysis of resource use efficiency among employed university students. Journal of Further and Higher Education， 39（2）：255-277.

Hamari， J. （2017）. Do badges increase user activity？ A field experiment on the effects of gamification. Computers in human behavior， 71： 469-478.

John， B.， Thavavel， V.， Jayaraj， J.， et al. （2016）. Design of Open Content Social Learning That Increases Learning Efficiency and Engagement Based on Open Pedagogy. Turkish Online Journal of Educational Technology-TOJET， 15（1）： 20-32.

Kahan， T.， Soffer， T.， Nachmias， R. （2017）. Types of participant behavior in a massive open online course. International Review of Research in Open and Distributed Learning： IRRODL， 18（6）： 1-18.

Kaufman， l.， Rousseeuw， P. J. （2009）. Finding groups in data： an introduction to cluster analysis. John Wiley & Sons.

Khalil， M.， Ebner， M. （2016）. Clustering patterns of engagement in Massive Open Online Courses （MOOCs）： the use of learning analytics to reveal student categories. Journal of Computing in Higher Education， 29（1）：1-19.

Kizilcec， R. F.， Pérez-Sanagustín， M.， Maldonado， J. J. （2017）. Self -regulated learning strategies predict learner behavior and goal attainment in Massive Open Online Courses. Computers & education，104： 18-33.

Kolari， S.， Savander-Ranne， C.， Viskari， E. L. （2008）. Learning needs time and effort： a time-use study of engineering students. European Journal of Engineering Education，33（5-6）： 483-498.

Kolb， D. A. （2014）. Experiential learning： Experience as the source of learning and development. New Jersey：FT press.

Non， A.， Tempelaar， D. （2016）. Time preferences， study effort， and academic performance. Economics of Education Review，54： 36-61.

ODonovan， S.， Gain， J.， & Marais， P. （2013， October）. A case study in the gamification of a university-level games development course. In Proceedings of the South African Institute for Computer Scientists and Information Technologists Conference （pp. 242-251）.

Poellhuber， B.， Roy， N.， Bouchoucha， I. （2019）. Understanding Participants Behaviour in Massively Open Online Courses. International Review of Research in Open and Distributed Learning，20（1）：221-242.

Ramesh， A.， Goldwasser， D.， Huang， B.， Daumé III， H.， & Getoor， L. （2013， December）. Modeling learner engagement in MOOCs using probabilistic soft logic. In NIPS workshop on data driven education （Vol. 21， p. 62）.

Singh， S.， Rylander， D. H.， Mims， T. C. （2012）. Efficiency of online vs. offline learning： A comparison of inputs and outcomes. International Journal of Business， Humanities and Technology， 2（1）： 93-98.

Smirlis， Y; & Ioakimidis， M. （2019）. Evaluating the performance of alternative blended learning designs using DEA. Review of Economic and Business Studies，12（2）： 79-92.

Tsai， K. C， Huang， Y. T. （2011）. Using data envelopment analysis DEA method to establish the grading framework in college English composition class. Education Technology Letters， 1（1）： 15-21.

Watson， S. L.， Watson， W. R.， Yu， J. H.， et al. （2017）. Learner profiles of attitudinal learning in a MOOC： An explanatory sequential mixed methods study. Computers & Education， 114： 274-285.

Yang， H.， Loghej， H. （2019）. Modelling and analysis of the influence of affective factors on students learning efficiency improvement based on big data. International Journal of Continuing Engineering Education and Life Long Learning， 29（4）： 362-373.

收稿日期：2020-05-21

定稿日期：2020-09-11

作者簡介：陳長勝，博士，副教授，山東青年政治學院現(xiàn)代服務管理學院（250103）。

劉梅，碩士，副教授，本文通訊作者，臨沂大學教育學院（276005）。

沈書生，教授，博士生導師，南京師范大學教育科學學院（210023）。

徐振國，博士，講師，曲阜師范大學傳媒學院（276826）。

責任編輯 郝 丹